基于多模型融合的金属材料力学性能预测方法技术

本发明专利技术公开基于多模型融合的金属材料力学性能预测方法，涉及材料领域

【技术实现步骤摘要】
基于多模型融合的金属材料力学性能预测方法


[0001]专利技术公开基于多模型融合的金属材料力学性能预测方法，涉及材料领域
。

技术介绍

[0002]金属是一种常见且应用十分广泛的材料，具有良好的化学性能和力学性能
。
在工业领域中，碳钢
、
合金钢等金属材料常被用于各类设备的制造，包括承载多种危险介质的特种设备
。
一般来说，特种设备存在较大的安全风险，一旦损伤或失效，可能导致严重的事故，对人身
、
财产和环境造成重大伤害
。
因此，需要对这些设备进行检验和检测，以确保其运行安全
、
可靠
。
而材料的性能是设备安全考量的重要因素，若出现材质劣化或材料损伤等情况，会直接影响到设备的运行工况
、
安全状态和使用年限
。
[0003]传统的材料性能测试通常采用表面检测或取样的方式，表面检测不能替代整体的性能，而取样是一种破坏性做法
。
此外，通过单纯的光谱分析
、
金相检验
、
硬度检测等方法进行的力学性能测试和预测也存在不准确和误差较大的问题
。

技术实现思路

[0004]本专利技术的基于多模型融合的金属材料力学性能预测方法，解决了现有金属材料的力学性能无法快速准确预测的问题
。
[0005]为达到上述目的，采用的技术方案如下：
[0006]基于多模型融合的金属材料力学性能预测方法，包括如下步骤：
[0007]S1、
金属材料力学性能数据集特征构造；
[0008]S2、
构建多层前馈神经网络的多参数力学性能预测模型和基于数据显著性特征筛选的金属材料力学性能预测模型；
[0009]S3、
基于多模型融合的金属材料力学性能预测
。
[0010]优选的，步骤
S1
的方法如下：
[0011]S1.1、
通过专家经验和理论知识，确定金属材料力学性能数据集特征集合，包括化学成分材料描述特征
、
金相组织结构特征
、
材料的力学性能及热处理状态特征；
[0012]S1.2、
金属材料的力学性能因其所需应用和用途不同而有所差异，根据不同的金属材料，从金属材料力学性能数据集数据中选取合适的特征集合
。
[0013]优选的，步骤
S2
的方法如下：
[0014]S2.1、
构建多层前馈神经网络的多参数力学性能预测模型：
[0015]S2.1.1
通过专家经验和理论知识，确定力学性能影响参数作为输入；
[0016]S2.1.2、
选取
BP
神经网络，将多个力学性能影响参数作为输入，输出为预测的力学性能，进行迭代训练；
[0017]S2.2、
基于数据显著性特征筛选的金属材料力学性能预测模型：
[0018]S2.2.1、
利用数据关联分析选择力学性能输入参数；
[0019]S2.2.2、
选取机器学习算法，进行特征筛选和数据挖掘，完成统计非机理建模，输
出为预测的力学性能
。
[0020]优选的，步骤
S2.1
和
S2.2
的力学性能影响参数包括但不限于化学成分
、
金相组织
、
热处理状态；步骤
S2.1
和
S2.2
的输出参数为力学性能预测值，包括屈服轻度
、
抗拉强度
、
冲击功
、
伸长率
、
断面收缩率
。
[0021]优选的，步骤
S3
的方法如下：
[0022]S3.1、
将神经网络的力学性能预测输出值与基于数据显著性特征筛选的力学性能预测输出值进行加权融合；
[0023]S3.2、
融合后的力学性能预测值为最终输出预测值
。
[0024]优选的，步骤
S3.1
中权值选择方法参考专家意见及多次测试经验值
。
[0025]与现有技术相比，本专利技术的有益效果：
[0026]本专利技术提出多模型融合的金属材料力学性能预测方法，解决了如下的问题：
[0027]1、
传统的材料性能测试通常采用表面检测或取样的方式，表面检测不能替代整体的性能，而取样是一种破坏性做法
。
此外，通过单纯的光谱分析
、
金相检验
、
硬度检测等方法进行的力学性能测试和预测也存在不准确和误差较大的问题
。
[0028]2、
本专利技术可以快速
、
准确的解决力学性能预测问题
。
附图说明
[0029]图1为本专利技术基于多模型融合的金属材料力学性能预测的流程图；
[0030]图2为实施例中多层前馈神经网络的多参数力学性能预测模型；
[0031]图3为实施例中基于数据显著性筛选的金属材料力学性能预测模型
。
具体实施方式
[0032]下面结合附图和实施方式对本专利技术作进一步的详细说明：
[0033]实施例
[0034]如图1至3所示，基于多模型融合的金属材料力学性能预测方法，包括如下步骤：
[0035]S1、
金属材料力学性能数据集特征构造，其方法如下：
[0036]S1.1、
通过专家经验和理论知识，确定金属材料力学性能数据集特征集合，包括化学成分材料描述特征
、
金相组织结构特征
、
材料的力学性能及热处理状态特征；
[0037]S1.2、
金属材料的力学性能因其所需应用和用途不同而有所差异，根据不同的金属材料，从金属材料力学性能数据集数据中选取合适的特征集合
。
[0038]S2、
如图
2、
图3所示，构建多层前馈神经网络的多参数力学性能预测模型和基于数据显著性特征筛选的金属材料力学性能预测模型，其方法如下：
[0039]S2.1
构建多层前馈神经网络的多参数力学性能预测模型
:
[0040]S2.1.1、
通过专家经验和理论知识，确定力学性能影响参数作为输入；其中力学性能影响参数包括化学成分
、
金相组织
、
热处理状态
。
[0041]S2.1.2、
选取多输入多输出的
BP
神经网络，将多个力学性能影响参数作为输入，输出为预测的力学性能，其包括屈服轻度
、
抗拉强度
、
冲击功
、
伸长率
、
断面收本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于多模型融合的金属材料力学性能预测方法，其特征在于：包括如下步骤：
S1、
金属材料力学性能数据集特征构造；
S2、
构建多层前馈神经网络的多参数力学性能预测模型和基于数据显著性特征筛选的金属材料力学性能预测模型；
S3、
基于多模型融合的金属材料力学性能预测
。2.
如权利要求1所述基于多模型融合的金属材料力学性能预测方法，其特征在于：步骤
S1
的方法如下：
S1.1、
通过专家经验和理论知识，确定金属材料力学性能数据集特征集合，包括化学成分材料描述特征
、
金相组织结构特征
、
材料的力学性能及热处理状态特征；
S1.2、
金属材料的力学性能因其所需应用和用途不同而有所差异，根据不同的金属材料，从金属材料力学性能数据集数据中选取合适的特征集合
。3.
如权利要求2所述基于多模型融合的金属材料力学性能预测方法，其特征在于：步骤
S2
的方法如下：
S2.1、
构建多层前馈神经网络的多参数力学性能预测模型：
S2.1.1
通过专家经验和理论知识，确定力学性能影响参数作为输入；
S2.1.2、
选取
BP
神经网络，将多个力学性能影响参数作为输入，输出为预测的力学性能，进行迭代训练；
S2.2、<...

【专利技术属性】
技术研发人员：石坤，郭新然，张玉媛，周云奕，王晓岚，蔡康健，金益斌，陈祖志，段志祥，赫宇，
申请(专利权)人：中国特种设备检测研究院，
类型：发明
国别省市：